Google affirme que sa plateforme de développement agentique Antigravity peut réunir plusieurs étapes de la recherche sur les peptides antimicrobiens dans un même espace de travail, en aidant les biologistes à interroger des bases de données, à évaluer des structures protéiques et à classer des candidats potentiels. Dans une démonstration technique, des chercheurs ont utilisé la plateforme pour identifier un peptide candidat chez Streptococcus pseudopneumoniae, dont l’activité contre des agents pathogènes impliqués dans les infections des voies respiratoires a été prédite. Cette découverte n’a pas encore été confirmée par des tests en laboratoire et fait l’objet d’une validation expérimentale.
La recherche s’appuie sur ProtNLM, le modèle de langage de Google dédié aux protéines, qui prédit leur fonction biologique à partir de séquences d’acides aminés. Ce modèle vise à aider les chercheurs à examiner les entrées encore non caractérisées d’UniProt, une base de données publique contenant des millions de séquences protéiques dont la fonction est inconnue.
Google présente les peptides antimicrobiens, notamment les bactériocines, comme des solutions de remplacement possibles aux antibiotiques conventionnels. Ces molécules naturelles peuvent cibler des éléments vulnérables de bactéries concurrentes. L’entreprise affirme que le volume croissant de données génomiques et métagénomiques constitue un vaste réservoir de séquences à étudier, même si beaucoup ne sont pas annotées, car elles ne ressemblent pas suffisamment aux protéines connues.
Dans le flux de travail présenté, un chercheur a fixé pour objectif de trouver et de valider par calcul de nouveaux peptides antimicrobiens chez S. pseudopneumoniae. Le chercheur a orienté l’enquête, tandis qu’Antigravity coordonnait les recherches dans les bases de données, l’analyse structurelle et l’examen de la littérature. Google affirme que le candidat est étayé par des données génomiques et structurelles, mais souligne que sa validation expérimentale reste nécessaire.
La plateforme comprend également un visualiseur de structures biomoléculaires, qui affiche les structures protéiques en 3D. Les chercheurs et l’agent d’IA peuvent travailler dans le même espace visuel : l’agent peut mettre en évidence des régions pour expliquer ses hypothèses, tandis que les scientifiques peuvent marquer des résidus ou ajouter des notes qui orientent l’analyse de l’agent.
Google affirme que cette approche intégrée vise à réduire le temps consacré aux allers-retours entre bases de données, scripts et outils de modélisation. L’entreprise décrit la démonstration comme un moyen de réduire le champ de recherche à des pistes prometteuses avant de procéder à des tests en laboratoire coûteux en ressources, et indique que les chercheurs peuvent adapter le flux de travail à différents critères de séquence ou organismes cibles.
Sources: Google DeepMind Blog.